⚡ electrical engineering

Radiometric consistency in UAV thermal photogrammetry for Earth-science surveys: preview artefacts and cross-domain photogrammetric benchmarks

Este estudio presenta una herramienta de interfaz gráfica de usuario de código abierto para convertir las vistas previas R-JPEG térmicas de UAV de DJI en archivos GeoTIFF de tipo float32, demostrando que este flujo de trabajo de preprocesamiento mejora significativamente la precisión fotogramétrica al aumentar el recuento de puntos de unión y reducir los errores de reproyección a través de diversos sitios de prospección de ciencias de la Tierra.

Autores originales: Yusuf Gedik, Semih Sami Akay, Orkan Özcan

Publicado 2026-09-17

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Yusuf Gedik, Semih Sami Akay, Orkan Özcan

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina un dron sobrevolando un paisaje, con su cámara capturando el calor invisible que irradia la tierra. Esta tecnología, conocida como termografía, permite a los científicos ver diferencias de temperatura que son invisibles para el ojo humano. Utilizan estas imágenes para encontrar grietas en puentes, detectar estrés en paneles solares o mapear el flujo de calor de un volcán. Sin embargo, existe una trampa oculta en la forma en que estas cámaras guardan sus fotografías. Cuando un dron toma una foto, almacena dos versiones de los datos en un solo archivo. Una versión es una imagen colorida diseñada para los ojos humanos, donde el software de la cámara estira los colores para que la imagen parezca dramática y fácil de interpretar. La otra versión es un registro bruto y preciso de la temperatura real en cada punto, almacenado como una larga lista de números. El problema surge cuando los científicos intentan construir mapas en 3D a partir de estas fotos. El software que une las imágenes está diseñado para leer la versión colorida y amigable para el humano. Si utiliza esa versión, está trabajando con una imagen distorsionada donde los colores han sido ajustados artificialmente, perdiendo los datos precisos de temperatura necesarios para una medición científica exacta.

Un equipo de investigadores de Estambul se propuso resolver este problema y demostrar que el uso de los datos brutos y precisos marca una diferencia mensurable en la calidad del mapa final. Desarrollaron un programa informático gratuito y fácil de usar que actúa como un traductor. Esta herramienta toma los números de temperatura brutos ocultos dentro de los archivos del dron y los convierte en un nuevo formato que preserva cada decimal de la lectura de temperatura, manteniendo también intacta la información de ubicación y tiempo. Luego probaron este método en tres ubicaciones muy diferentes: un puente, una gran planta de energía solar y un campo geotérmico cerca de un volcán. En cada caso, construyeron modelos 3D dos veces. Primero, utilizaron las imágenes de vista previa coloridas y estándar que la mayoría de la gente usaría. Luego, utilizaron los nuevos archivos de temperatura precisos creados por su programa. Los resultados fueron claros y consistentes en los tres sitios. Los modelos construidos a partir de los archivos de temperatura precisos fueron significativamente más exactos. El software pudo unir las imágenes de manera más estrecha, encontrando muchos más puntos de conexión entre las fotos y reduciendo los errores en la alineación de las imágenes. En algunos casos, el error en la alineación disminuyó casi un treinta por ciento, creando un mapa 3D mucho más nítido y confiable.

Los investigadores descubrieron que el problema no era simplemente la cantidad de colores en la imagen, sino cómo la cámara cambiaba el contraste de una foto a la siguiente. Las imágenes de vista previa estándar son ajustadas automáticamente por la cámara para que luzcan bien, lo que significa que la escala de brillo y color cambia dependiendo de lo que haya en la imagen. Este cambio constante confunde a la computadora que intenta unir las fotos. Los archivos de temperatura brutos, sin embargo, mantuvieron una escala constante durante todo el vuelo, permitiendo que el software viera las verdaderas relaciones físicas entre los objetos. Aunque el estudio no midió la temperatura absoluta contra un termómetro físico en el suelo, demostró que el método preserva perfectamente las diferencias relativas de calor. Al hacer que este proceso de conversión sea simple y automatizado, los investigadores han proporcionado una forma para que los equipos de campo conviertan sus grabaciones de drones en datos científicamente rigurosos sin necesidad de escribir código complejo. Esto asegura que, cuando los científicos mapeen el calor de la tierra, estén trabajando con la temperatura real, no solo con una imagen bonita.

Resumen Técnico: Consistencia Radiométrica en Fotogrametría Térmica con UAV

Planteamiento del Problema
La obtención de imágenes térmicas de alta resolución mediante Vehículos Aéreos No Tripulados (UAV) se utiliza cada vez más en las ciencias de la Tierra, la ingeniería estructural y los sectores energéticos para tareas que van desde la caracterización de deslizamientos de tierra hasta el monitoreo de parques solares. Sin embargo, existe una limitación técnica crítica en el flujo de trabajo: las cámaras térmicas DJI almacenan datos de temperatura radiométrica dentro de los metadatos y segmentos de datos propietarios de los archivos R-JPEG originales, mientras que la imagen de vista previa de 8 bits visible (destinada únicamente a la inspección visual) es la que el software fotogramétrico estándar suele leer por defecto.

Cuando el software de Estructura desde el Movimiento (SfM) procesa estos archivos R-JPEG originales, a menudo utiliza el canal de vista previa de 8 bits en lugar de la capa radiométrica subyacente. Esto resulta en la pérdida de los valores de temperatura cuantitativos, ya que la imagen de vista previa aplica un estiramiento de contraste y un mapeo de tonos dependientes de la escena que varía de un fotograma a otro. En consecuencia, los ortomosaicos y los modelos 3D resultantes carecen de una escala de temperatura físicamente significativa, lo que socava la naturaleza cuantitativa y reproducible requerida para el monitoreo en geociencias. Además, las soluciones existentes (como IRimage-UAV o las herramientas del fabricante) suelen abordar solo partes del flujo de trabajo (por ejemplo, la conversión por lotes o la transferencia de metadatos) sin proporcionar un entorno unificado para el control de calidad y la preparación fotogramétrica.

Metodología
Para abordar estas brechas, los autores desarrollaron Thermal-Pipeline, una interfaz gráfica de usuario (GUI) de código abierto basada en PyQt5 que automatiza el preprocesamiento de los datos térmicos de DJI. El flujo de trabajo consta de cinco pasos secuenciales:

Extracción Radiométrica por Lotes: Utilizando el SDK térmico de DJI (dji_irp.exe), la herramienta extrae los datos radiométricos brutos de los archivos R-JPEG, produciendo una matriz float32 por píxel.
Conversión de Formato: Una macro de ImageJ convierte estas matrices brutas en teselas GeoTIFF float32 sin compresión, preservando los valores decimales de temperatura reales en lugar de códigos de color de 8 bits.
Transferencia de Metadatos: Se emplea ExifTool para copiar las etiquetas esenciales de EXIF y GPS de los archivos R-JPEG originales a los nuevos archivos TIFF, asegurando la compatibilidad de la georreferenciación.
Reporte: El sistema genera un informe CSV a nivel de vuelo con estadísticas por imagen.
Evaluación Comparativa Fotogramétrica: El estudio reconstruyó tres conjuntos de datos de misiones distintas (un puente, un parque solar y el campo geotérmico del volcán Kula) dos veces en Agisoft Metashata Professional v2.1.0: una vez utilizando la importación de la vista previa R-JPEG de 8 bits por defecto y otra vez utilizando los productos TIFF float32 convertidos.

Además, se realizó un análisis de consistencia a nivel de píxel sobre 2,488 pares de fotogramas emparejados en los tres sitios. Este análisis comparó la vista previa del R-JPEG original contra el TIFF float32 para evaluar la preservación del rango de temperatura, la estabilidad del contraste y la similitud estructural (SSIM).

Contribuciones Clave

Software Thermal-Pipeline: El lanzamiento de una GUI de código abierto unificada que cierra la brecha entre la adquisición de datos térmicos brutos y el procesamiento fotogramétrico, permitiendo la conversión por lotes de R-JPEG a TIFF float32 con metadatos geoespaciales intactos.
Evaluación Comparativa Cuantitativa: Un estudio comparativo que demuestra que el uso de entradas radiométricas float32 mejora significativamente las métricas de reconstrucción fotogramétrica en comparación con las importaciones estándar de la vista previa de 8 bits.
Análisis de Consistencia Radiométrica: Evidencia de que la degradación en el rendimiento fotogramétrico es causada principalmente por el mapeo de tonos de la vista previa de DJI, que depende de la escena y el control de contraste (estiramiento de contraste), en lugar de la representación de 8 bits en sí misma. El estudio demuestra que las entradas float32 mantienen un eje de temperatura común a través de un bloque de vuelo, mientras que los canales de vista previa introducen variabilidad de fotograma a fotograma.

Resultados
El estudio arrojó los siguientes hallazgos en los tres sitios de prueba (Puente, Parque Solar, Volcán Kula):

Calidad de la Reconstrucción: El uso de entradas TIFF float32 mejoró consistentemente la alineación y la generación de puntos de unión (tie points).
- Puntos de Unión (Tie Points): Aumentaron un 29.7% (Puente), un 91.7% (Parque Solar) y un 12.0% (Volcán Kula).
- Error de Reproyección: Disminuyó un 29.4% (Puente), un 22.7% (Parque Solar) y un 13.7% (Volcán Kula).
- Alineación de Cámara: Las entradas float32 alinearon con éxito más cámaras que las de 8 bits (por ejemplo, 810/811 frente a 779/811 para el puente).
Estabilidad Radiométrica: Los datos float32 mantuvieron una escala de temperatura consistente a través de los fotogramas. En contraste, el canal de vista previa exhibió una inestabilidad significativa en la desviación estándar espacial ( $\sigma$ ) de la temperatura, donde la $\sigma$ de la vista previa excedió la $\sigma$ de float32 por factores de 3.3x a 18.9x dependiendo del sitio.
Densidad de la Nube Densa: Los resultados variaron según el sitio; el puente y el volcán vieron aumentos en los conteos de puntos densos (+9.2% y +6.9%, respectivamente), mientras que el parque solar vio una disminución (-8.6%). Los autores señalan que los conteos de puntos densos están influenciados por los procesos de reconstrucción posteriores y no reflejan únicamente la calidad de la imagen de entrada.
Métricas de Consistencia: El re-binning lineal de los datos float32 a 8 bits introdujo un error mínimo (0.012–0.060 °C MAE), confirmando que la fuente principal de variación es el estiramiento de contraste de la vista previa, no la reducción de la profundidad de bits.

Significancia y Reivindicaciones
El artículo posiciona a Thermal-Pipeline no como una herramienta para la calibración de temperatura absoluta (que requiere referencias de campo externas no presentes en este estudio), sino como un paso de preprocesamiento crítico para preservar la integridad radiométrica relativa de los datos térmicos para el análisis cuantitativo.

Los autores afirman que el flujo de trabajo:

Permite el Análisis Cuantitativo: Al convertir las vistas previas de 8 bits orientadas a la visualización en TIFFs float32, la herramienta asegura que los valores de los píxeles representen temperaturas superficiales reales, haciendo que los datos sean aptos para el análisis estadístico y el monitoreo.
Mejora el Rendimiento Fotogramétrico: El estudio proporciona evidencia empírica de que preservar los valores radiométricos conduce a reconstrucciones 3D más robustas con menores errores de reproyección y redes de puntos de unión más densas.
Reduce las Barras de Entrada: La GUI permite a los equipos de campo realizar conversiones por lotes complejas y transferencias de metadatos sin experiencia en programación, facilitando flujos de trabajo reproducibles en las ciencias de la Tierra e ingeniería.
Estandariza el Procesamiento: Aborda la falta de rutinas estandarizadas para los datos térmicos de UAV, ofreciendo un método reproducible para evitar el "descarte silencioso" de la información de temperatura durante la etapa de mapeo.

Los autores concluyen que, si bien la precisión de la temperatura absoluta depende de la calibración del sensor y las suposiciones de emisividad, la elección de la representación de entrada (float32 frente a la vista previa de 8 bits) afecta mensurablemente la consistencia geométrica y radiométrica del producto fotogramétrico final.

Más como este